这周GitHub上发生了一件预料之中又令人意外的事：Karpathy的autoresearch正式突破8万星。这个数字本身不意外，意外的是它的增长速度——从7万到8万只用了不到一周。
如果你一直在追这个系列，会发现前几周我反复提到一个信号：大家不满足于用现成的agent，开始自己造了。这周的数据把这个趋势锤实了。
更有意思的是，8万星背后分出了三条完全不同的路。每条路都代表一群人在想同一个问题：现在的agent还缺什么？
方向一：AI研究自动化
Karpathy出手的东西从来不让人失望。这个项目的核心不是「AI写代码」，而是「AI做科研」——说白了，就是用强化学习让一个nanochat模型在单GPU上自己跑实验、自己改进。
我做了一下功课，跑了他们的代码。最大的感受是：这不是一个工具，是一个研究范式。你喂它一个问题，它会自己设计实验、跑benchmark、分析结果、再设计下一轮实验。
副业角度怎么看？我不推荐现在冲进去做「AI研究员替代品」，太早了。但如果你在学术圈或者咨询行业，有一条路是真实的：用这类工具帮你做文献综述和竞品分析，效率提升是数量级的。
方向二：记忆系统
mempalace这周涨得很快，从上周的4万档冲到了5.2万。它解决的是一个特别具体的问题：怎么让AI agent记住跨会话的信息。
用了5分钟，感触最深的一点：它不是简单地存聊天记录。它做的是「选择性记忆」——自动识别哪些信息是「长期有用的」，哪些是一次性的，然后分层存储。
这条路的商业化路径很清晰。企业知识库是一个已经被验证的市场，mempalace相当于把同样的能力给了个人用户和小团队。如果你有渠道资源，这是个值得研究的中间件方向。
方向三：工程技能库
这个方向我盯得比较久，因为和之前聊过的caveman（59k⭐，用克罗马农语言砍65% token消耗）是一脉相承的。
核心逻辑是：现在的AI编程工具本身已经很能打了，差距在「怎么用它」而不是「它本身够不够好」。技能库、Prompt模板、知识图谱——这些都是「怎么用好」的基建。
我的判断：这是个卖水的生意，不性感但稳。你不需要做出下一个Claude，你只需要做出「帮别人用好Claude」的东西。
这周真正让我意外的项目
说实话，autoresearch在预期内，mempalace和agent-skills也在预期内。真正让我多看了两眼的是另一个项目：
这个项目上周是57k，这周59k，还在涨。用克罗马农人的语言风格跟Claude Code说话，能削减65%的token消耗。
听着像个玩笑对吧？但我在HN上看到了认真的讨论——有人在分析不同语言风格对模型推理效率的影响，结果发现越简洁的风格token消耗越低，推理质量下降得却不多。
这不是笑话，这是prompt工程化的一个方向。我已经在想怎么把它用到实际项目里了。
Week 4 结论
这周的数据告诉我三件事：
- AI做研究这个方向被Karpathy正式带进了开源社区，接下来会有一波模仿和超越
- 记忆系统是今年最被低估的方向，现在入局还不晚
- 怎么用好工具这个方向，正在从玄学变成工程化
下周我会挑1-2个方向深入挖，看看有没有可以直接动手的副业切入点。数据在变，结论也在变。这个系列的价值就在于跟踪这个变化本身。